Captulo 4

Modelos unifactoriales de efectos

aleatorizados

En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria
de una poblacin de niveles. Este modelo surge ante la necesidad de estudiar un factor
que presenta un nmero elevado de posibles niveles, que en algunas ocasiones puede ser
innito. En este modelo las conclusiones obtenidas se generalizan a toda la poblacin de
niveles del factor, ya que los niveles empleados en el experimento fueron seleccionados al
azar.

Formalmente la expresin del modelo es la misma que en el modelo de efectos jos

dado por la ecuacin (??), es decir:

yij = + i + uij , (4.1)

con la diferencia de que ahora i son variables aleatorias. Adems este modelo requiere que
las variables i y uij sean independientes y sigan distribuciones normales con media 0 y
varianza constante 2 y 2 , respectivamente. As, por la independencia entre las variables
i y uij , la varianza de cualquier observacin de la muestra, es decir, la varianza total,
denotada por 2T , vale
2T = 2 + 2 .

La mecnica del Anlisis de la Varianza es la misma que en el modelo de efectos -

jos, excepto en el clculo de las esperanzas de los cuadrados medios, ya que mientras
en el modelo de efectos jos, los efectos i eran constantes que cumplan la condicin
I
i=1 ni i = 0, ahora son variables aleatorias N(0, ), no sometidas a ninguna restric-

1
2 Modelos unifactoriales de efectos aleatorizados

cin1 . En este modelo, carece de sentido probar la hiptesis que se reere a los efectos de
tratamiento individuales y, en su lugar, debe realizarse el contraste:

H0 : 2 = 0

H1 : 2 > 0

Si se acepta H0 , 2 = 0, signica que todos los tratamientos son idnticos; en cambio,

si se acepta H1 , 2 > 0, signica que existe variabilidad entre los tratamientos.

Al igual que en el modelo de efectos jos, se distingue entre el caso equilibrado y el

caso no-equilibrado.

4.1. Modelo de efectos aleatorios no-equilibrado

Como en el modelo de efectos jos, la variabilidad total de los datos se puede

expresar como la suma de la variabilidad entre los tratamientos y la variabilidad dentro
de los mismos. A partir de estas variabilidades se denen las correspondientes varianzas
muestrales.

Para establecer el procedimiento del contraste de hiptesis, para el modelo de efectos

aleatorios, calculemos en primer lugar los valores esperados de la varianza entre tratamien-
tos y de la varianza residual.

Como en el modelo de efectos jos, consideremos las expresiones de yi. , yi. , y.. e y.. , en
funcin de los parmetros del modelo, con objeto de poder hallar las esperanzas de las
varianzas muestrales.

yi. = ni + ni i + ui. ; yi. = + i + ui.

I I
1
y.. = N + ni i + u.. ; y.. = + ni i + u..
N
i=1 i=1

Al ser los efectos i variables aleatorias independientes entonces la condicin Ii=1 ni i = 0, del modelo
1

de efectos jos, no puede imponerse ya que conducira a dependencia entre los i .

4.1 Modelo de efectos aleatorios no-equilibrado 3

1o ) La varianza entre tratamientos se puede expresar como

I
1
ST2 r = ni (yi. y.. )2 =
I 1
i=1

I I 2
1 1
ni + i + ui. nk k u.. =
I 1 N
i=1 k=1

I I 2
1 1
ni i nk k + (ui. u.. ) =
I 1 N
i=1 k=1
2
I I I
1 1
ni i nk k + ni (ui. u.. )2 +
I 1 N
i=1 k=1 i=1

I I
1
2 ni i nk k (ui. u.. ) ,
N
i=1 k=1

y su esperanza matemtica ser la suma de las esperanzas matemticas de cada

sumando, es decir
2

1
I I I
1 +E
E[ST2 r ] = E ni i nk k ni (ui. u.. )2 +
I 1 N
i=1 k=1 i=1

I I
1
2E ni i nk k (ui. u.. ) .
i=1
N
k=1
(4.2)

Ahora bien, puesto que:

a) Las variables aleatorias i son independientes con media 0, entonces

E ni nk i k = 0
i=k
4 Modelos unifactoriales de efectos aleatorizados

y adems, como E( 2i ) = 2 , tambin se verica que

I
E i nk k = ni 2 .
k=1

Por lo tanto,

2
2
I I I I
nk k nk k
E ni i = ni E 2i +
N N
i=1 k=1 i=1 k=1

I
nk k
2 i =
N
k=1

I I
1
ni E 2i + 2 n2k 2k +
N
i=1 k=1

I I
1 2
nk nr k r i nk k =
N2 N
k=r k=1

I I
1 2
ni 2 + n2k 2 ni 2 =
N2 N
i=1 k=1

I
1
N2 n2i 2 .
N i=1
(4.3)
4.1 Modelo de efectos aleatorios no-equilibrado 5

b) E i,j (ui. u.. )2 = I2 2 , ya que

2
I I ni I nk
1 1
E ni (ui. u.. )2 = ni E uij ukh =
ni N
i=1 i=1 j=1 k=1 h=1

2 2
1 1
ni E 2 uij + 2 ukh
ni N
i j k,h

1
2 uij ukh =
Nni j k,h

1 1 1
ni 2 + 2 2 2 =
i
n2i j
N2 Nni j
k,h

2 2
ni = I2 2 = 2 (I 1)
ni N
i
(4.4)

c) Puesto que las variables aleatorias i y uij son independientes entre s y

E( i ) = E(uij ) = 0 ,

entonces
1
E ni i nk k (ui. u.. ) = 0 (4.5)
N
i k

Por lo tanto, sustituyendo las expresiones (4.3), (4.4) y (4.5) en (4.2), tenemos

N2 n2i
1 1 i
E(ST2r ) = N2 n2i 2 + I2 2 = 2 + 2 . (4.6)
I 1 N N(I 1)
i
6 Modelos unifactoriales de efectos aleatorizados

2o ) La esperanza matemtica de la varianza residual es la varianza poblacional, en efecto

2
1 1 1
E(SR2) =
E (yij yi. )2 = E uij uij =
N I N I ni
i,j i,j j

2
1 1 2
E u2ij + uij uij uij =
N I
i,j
n2i j
ni
j

1 2 2 1
2 + 2 = N2 I 2 = 2 ,
N I ni ni N I
i,j

2 es un estimador insesgado del parmetro 2 .

por tanto, SR

De la ecuacin (4.6) se deduce que si no existe variabilidad entre los tratamientos, es

decir, 2 = 0, entonces ST2 r es tambin un estimador insesgado de 2 .
De modo similar que en el modelo de efectos jos se puede demostrar, bajo la hiptesis
nula correspondiente a este modelo, que SCT r/ 2 y SCR/2 siguen distribuciones 2
independientes con I 1 y N I grados de libertad, por tanto el cociente
SCT r/2
S2
F = I 1 2 = Tr (4.7)
SCR/ 2
SR
N I
sigue una distribucin F de Snedecor con I 1 y N I grados de libertad y es el estadstico
de contraste utilizado para probar la hiptesis de inters en el modelo de efectos aleatorios.

Bajo la hiptesis alternativa, es decir 2 = 0, el valor esperado del numerador del

estadstico de contraste es mayor que 2 y por tanto rechazaremos la hiptesis nula para
valores signicativamente grandes de F . En otras palabras, en el modelo de efectos aleato-
rios para contrastar la hiptesis H0 : 2 = 0 frente a H1 : 2 > 0, se acta de la siguiente
forma
Si Fexp > F;I1,NI , se rechaza H0

Si Fexp F;I1,NI , se acepta H0

La tabla del anlisis de la varianza para el modelo de efectos aleatorios es idntica a

la del modelo de efectos jos, salvo con la diferencia de que las conclusiones obtenidas se
generalizan a toda la poblacin de niveles del factor.
4.1 Modelo de efectos aleatorios no-equilibrado 7

Adems de efectuar el contraste de hiptesis, en el modelo de efectos aleatorios intere-

sa estimar los valores 2 . El procedimiento utilizado para ello se denomina mtodo de
componentes de la varianza. Dicho procedimiento consiste en igualar las esperanzas de
las varianzas entre tratamientos y residual con sus correspondientes valores muestrales y
resolver el sistema resultante:

N2 n2i



2
ST r = i 2 2
+
N(I 1) .




2 =
SR 2

As, se obtienen los siguientes estimadores de las varianzas:

2 = SR
2
(4.8)

N(I 1)
2 = ST2 r SR
2
. (4.9)
N2 n2i
i

Puede comprobarse que si la hiptesis alternativa es cierta, entonces 2 es un estimador

insesgado de 2 .
En el caso de que la varianza residual sea mayor que la varianza entre tratamientos,
el mtodo de componentes de la varianza conduce a un estimacin negativa de 2 . Evi-
dentemente sto carece de sentido, al tratarse de un parmetro no negativo. Cuando sto
ocurre se puede adoptar alguna de las siguientes alternativas:

Rechazar por inadecuado el modelo propuesto y replantear el problema.

Reinterpretar la estimacin de 2 como evidencia de que su verdadero valor es cero;

es decir, admitir que 2 = 0. Esto puede ocasionar que las propiedades estadsticas
de los restantes estimadores se vean perturbadas por esta decisin.

Utilizar otro mtodo de estimacin que no conduzca a estimaciones negativas.

La seleccin de una opcin concreta depender del experimento analizado o del criterio
del investigador.
Para ilustrar el anlisis de la varianza unifactorial de efectos aleatorios (caso no-
equilibrado), vamos a resolver el Ejemplo 1-3.
8 Modelos unifactoriales de efectos aleatorizados

Ejemplo 4.1
En una forja se utilizan varios hornos para calentar muestras de metal. Se supone
que todos los hornos operan a la misma temperatura, aunque se sospecha que quizs sto
probablemente no sea cierto. Se seleccionan aleatoriamente tres hornos y se anotan sus
temperaturas en sucesivos calentamientos, obtenindose las observaciones que se muestran
en la Tabla 1-14.

Tabla 1-14. Datos del Ejemplo 1-3

Horno Temperatura
1 91.50 98.30 98.10 93.50 93.60
2 88.50 84.65 79.90 77.35
3 90.10 84.80 88.25 73.00 71.85 78.65

A partir de estos datos, se desea saber si existe variacin signicativa en la temperatura

de los hornos al nivel de signicacin del 5 %.

El anlisis de la varianza resultante se presenta en la siguiente tabla.

Tabla 1-15. Anlisis de la varianza para los datos del Ejemplo 1-3

Fuentes de Suma de Grados de Cuadrados

variacin cuadrados libertad medios Fexp
Entre grupos 594.53 2 297.26 8.62
Dentro de grupos 413.81 12 34.48
TOTAL 1008.34 14

Como el valor del estadstico de contraste, 8.62, es mayor que F0,05,2,12 = 3,89, se
rechaza la hiptesis de que todos los hornos operan a la misma temperatura.
A continuacin, aplicando el mtodo de las componentes de la varianza, obtenemos
que la estimacin de la varianza del error es

2 = SR
2
= 34,48

y la estimacin de la varianza de la temperatura es

N(I 1) 15 2
2 = ST2 r SR
2 = (297,26 34,48) = 53,26 ,
N2 n2i 152 77
i
4.2 Modelo de efectos aleatorios equilibrado 9

de modo que la estimacin de la varianza total es igual a

2T = 2 + 2 = 53,26 + 34,48 = 87,74 .

Por tanto, la varianza total (87.74) se descompone en una parte atribuible a la difer-
encia entre hornos (53.26) y otra procedente de la variabilidad existente dentro de ellos
(34.48). Comprobamos que en dicha varianza tiene mayor peso la variacin entre hornos,
en porcentaje un 60.70 % frente a la variacin dentro de los hornos, que representa el
39.30 % del total.

4.2. Modelo de efectos aleatorios equilibrado

En el modelo equilibrado o balanceado, el nmero de observaciones en cada nivel
del factor es el mismo. Fijando dicho valor en n, el nmero total de observaciones es
N = I n. En este caso se obtiene la siguiente expresin para la esperanza de la varianza
entre tratamientos
E(ST2 r ) = n2 + 2

y los siguientes estimadores para las componentes de la varianza

2 = SR
2
(4.10)

ST2 r SR
2
2 = (4.11)
n

Naturalmente, todo lo dicho sobre la estimacin de 2 en el modelo no-equilibrado, es

aplicable a este caso.

Desde el punto de vista prctico, el modelo equilibrado presenta la ventaja de que se

pueden obtener con S las componentes de la varianza, como veremos en la
subseccin ?? con el siguiente ejemplo

Ejemplo 4.2
Una fbrica de textiles dispone de un gran nmero de telares. En principio, se supone
que cada uno de ellos debe producir la misma cantidad de tela por unidad de tiempo. Para
investigar esta suposicin se seleccionan al azar cinco telares, y se mide la cantidad de
10 Modelos unifactoriales de efectos aleatorizados

tela producida en cinco ocasiones diferentes. Se obtienen los datos de la tabla adjunta.

Tabla 1-16. Datos de la produccin de tela

Telares Produccin
1 14.0 14.1 14.2 14.0 14.1
2 13.9 13.8 13.9 14.0 14.0
3 14.1 14.2 14.1 14.0 13.9
4 13.6 13.8 14.0 13.9 13.7
5 13.8 13.6 13.9 13.8 14.0

Del estudio se concluye que todos los telares tienen el mismo rendimiento?

El anlisis de la varianza resultante se presenta en la siguiente tabla.

Tabla 1-17. Anlisis de la varianza para los datos del Ejemplo 1-4

Fuentes de Suma de Grados de Cuadrados

variacin cuadrados libertad medios Fexp
Entre grupos 0.3416 4 0.0854 5.77
Dentro de grupos 0.2960 20 0.0148
TOTAL 0.6376 24

Si realizamos el contraste al nivel de signicacin del 5 % y comparamos el valor de la

Fexp = 5,77, con el valor de la F terica (F0,05,4,20 = 2,87), se concluye que se rechaza la
hiptesis de que todos los telares tienen el mismo rendimiento.
A continuacin, aplicamos el mtodo de las componentes de la varianza y obtenemos

2 = SR
2
= 0,0148

ST2 r SR
2 0,0854 0,0148
2 = = = 0,014 ,
n 5
por tanto la estimacin de la varianza total es igual a

2T = 2 + 2 = 0,014 + 0,0148 = 0,0289 .

La varianza total (0.029) se descompone en una parte atribuible a la diferencia entre

los telares (0.014) y otra procedente de la variabilidad existente dentro de ellos (0.015).
4.2 Modelo de efectos aleatorios equilibrado 11

Comprobamos como en la varianza total tiene ms peso la variacin dentro de los telares,
51.18 %, que la variacin entre los telares, que representa el 48.82 % del total.

Bibliografa utilizada

Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos.
Anlisis de la Varianza. Grupo Editorial Universitario.

Lara Porras, A.M. (2000). Diseo Estadstico de Experimentos, Anlisis de la Vari-

anza y Temas Relacionados: Tratamiento Informtico mediante SPSS Proyecto Sur
de Ediciones.